RPA技术在县级电力营销的应用

RPA作为一种开发成本低、实用价值高、全天候待命、可扩展性强的新技术目前已广泛应用于供电企业的各个业务环节,尤其在电力营销领域取得了良好的应用效果。本文以某供电公司为例,分析县级电力营销涉及的光伏、线损等数据统计工作存在的问题和RPA技术应用成效。

基于深度学习特征提取和GWO-SVM滚动轴承故障诊断的研究

针对传统滚动轴承故障诊断的方法需要人为构造算法提取并选择故障特征,孤立地对待特征提取和特征选择,提出了应用卷积神经网络(Convolutional Neural Networks,CNN)和灰狼优化算法(Grey Wolf Optimizer,GWO)的支持向量机(Support Vector Machine,SVM)相结合的故障诊断新方法.首先将原始信号转化为尺度谱图,然后选择预训练好的CNN模型AlexNet对信号的尺度谱图进行特征提取,再通过主成分分析法(Principal Component Analysis,PCA)对得到特征数据进行降维,最后将归一化后的数据输入到灰狼优化算法的SVM分类器中,从而实现轴承健康状态的故障诊断.使用美国凯斯西储大学提供的轴承数据进行仿真实验,结果表明所提方法能够自适应提取合适的特征,并有较高的分类准确率.

基于GWO-SVM算法的滚动轴承故障诊断

为实现机械设备滚动轴承的实时监测和故障的准确诊断,基于支持向量机(SVM)进行故障分类,提出采用灰狼算法(GWO)优化SVM的惩罚系数c和核函数半径σ;通过小波包对数据进行特征提取;最后以优化的SVM完成故障诊断。实验结果表明:GWO-SVM算法对故障识别的准确性明显提高。

基于蜻蜓算法优化支持向量机的滚动轴承故障诊断

针对支持向量机参数选取不当影响诊断结果的问题,采用蜻蜓算法对支持向量机的惩罚因子C与核函数参数g进行优化,构建DA-SVM滚动轴承故障诊断模型。实验表明:与SVM、PSO-SVM、GA-SVM模型相比,DA-SVM诊断模型有效提高了滚动轴承故障诊断的准确率,且收敛速度快、寻优能力强。